1

私は、汎用の特殊化されていないプレーンテキストファイルエクストラクタを求めています。

まず、人々がApache Tikaを見ると叫ぶ前に、私の回答は、Office、BMPなどの一般的なバイナリファイル形式のみをサポートしているということです。

問題に戻る-多くのバイナリファイルにはテキスト文字列が埋め込まれているので、バイナリバイトノイズなしで抽出したいと思います。これは、exeなどで単純なテキスト文字列シーケンスを検索でき、結果がASCII単語のみを保持することを意味します。グーグルを試しましたが、これを行うものは見つかりませんでした。私の基本的な考え方は、ファイルがTIKAによって処理されない場合、この単純なバイナリファイルハンドラーがこれらのテキスト文字列を見つけるために最善を尽くすということです。

4

2 に答える 2

0

私は自分の問題を解決するためにコードクラスを書くことになりました。

重要な機能/考慮事項。

  • cr、nl、tab、spaceのみを受け入れます-char127-
    • ASCIIではないすべての文字を無視します
    • ファイルにUnicodeが含まれていると、運が悪くなります。
  • 数文字（構成可能）よりも少ない文字シーケンスを無視します。
    • これは、他の非ASCII値で囲まれた1文字のバイトが無視されることを意味します。
  • 文字シーケンスの間にスペースが挿入されます
    • これは、1つの文字列、いくつかのバイト、そして他の文字列が、単一の長い単語ではなく、文字列で区切られた2つの単語として結果に表示されることを意味します。
于 2010-12-25T02:04:44.143 に答える
0

次のコードは、印刷できないASCII文字をフィルタリングします。

package sandbox;

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.ArrayList;
import java.util.List;

/**
 *
 * @author yan-cheng.cheok
 */
public class Main {

    // Returns the contents of the file in a byte array.
    public static byte[] getBytesFromFile(File file) throws IOException {
        InputStream is = new FileInputStream(file);

        // Get the size of the file
        long length = file.length();

        // You cannot create an array using a long type.
        // It needs to be an int type.
        // Before converting to an int type, check
        // to ensure that file is not larger than Integer.MAX_VALUE.
        if (length > Integer.MAX_VALUE) {
            // File is too large
        }

        // Create the byte array to hold the data
        byte[] bytes = new byte[(int)length];

        // Read in the bytes
        int offset = 0;
        int numRead = 0;
        while (offset < bytes.length
               && (numRead=is.read(bytes, offset, bytes.length-offset)) >= 0) {
            offset += numRead;
        }

        // Ensure all the bytes have been read in
        if (offset < bytes.length) {
            throw new IOException("Could not completely read file "+file.getName());
        }

        // Close the input stream and return bytes
        is.close();
        return bytes;
    }

    /**
     * @param args the command line arguments
     */
    public static void main(String[] args) throws Exception {
        File f = new File("c:\\jstock.exe");
        byte[] bs = getBytesFromFile(f);
        List<Byte> list = new ArrayList<Byte>();
        for (byte b : bs) {
            if (b >= 0) {
                // Printable ASCII code.
                list.add(b);
            }
        }

        byte[] output = new byte[list.size()];
        for (int i = 0, size = list.size(); i < size; i++) {
            output[i] = list.get(i);
        }
        System.out.println(new String(output));
    }
}
于 2010-12-24T02:24:52.377 に答える